9、血糖预测时间序列模型的比较研究

血糖预测时间序列模型的比较研究

1. 引言

糖尿病是一种严重的慢性疾病，当人体产生胰岛素却无法有效利用时就会发病，这种情况被称为胰岛素抵抗。胰腺分泌的胰岛素可帮助葡萄糖进入人体细胞，从而将血糖控制在正常范围内。若产生的葡萄糖未被有效利用，就会导致血糖水平波动，引发低血糖或高血糖。2型糖尿病确诊时，身体往往已遭受严重损害。这是一个值得深入研究的问题，因为糖尿病是一种终身代谢性疾病，只能控制，无法治愈。

目前，维持血糖水平以预防或控制糖尿病的责任完全落在患者身上，这在身体、心理、经济和社会四个维度上都对患者的健康产生了影响。患者需要根据饮食、活动、血糖水平等多种因素来调整胰岛素剂量，即便小心翼翼，也难以实现像正常胰腺那样对血糖的持续精准控制，还可能引发糖尿病肾病、糖尿病眼病、糖尿病神经病变、心脏病和动脉阻塞等并发症。此外，胰岛素治疗还可能导致危险的低血糖，严重时会导致昏迷甚至死亡。

为解决这些问题，需要采用深度学习方法来设计精确预测血糖水平的模型，帮助患者减少胰岛素剂量，增强身心安全感。本文利用了2型糖尿病患者的时间序列数据，研究采用了计算机模拟数据，即UVA/Padova T1DM数据，这些数据来自15天内对糖尿病患者血糖水平的监测，监测时间包括早餐、午餐和晚餐等不同时段。

目前有许多时间序列模型可用于数据预测，如RNN、ARIMA、ARMA和LSTM等。本文探索了标准LSTM模型用于疾病预测，并对不同时间序列模型进行了比较研究。传统模型由于在循环中基于先前结果预测一个因素对另一个因素的影响，往往效果不佳。本文提出了一种基于Bi - LSTM的模型，克服了现有方法的不足，实现了高效预测。性能评估指标包括R2、MSE、RMSE和MAE，该模型不仅处理时间序列真实数